基于模糊C均值算法在文本聚類中的研究與實現(xiàn).pdf

1、在互聯(lián)網(wǎng)中，以新聞為代表的文本信息正在高速增長，如何實施有效的文本聚類算法是數(shù)據(jù)挖掘領域的研究熱點。模糊聚類建立了樣本對類別的不確定描述，能更客觀地反應現(xiàn)實世界，從而成為聚類分析的主流。模糊C均值算法是基于目標函數(shù)的模糊聚類理論中應用最為廣泛的一種算法。但是，模糊C均值算法本身也存在一些缺陷，比如聚類個數(shù)需要事先給定，算法對初始聚類中心敏感等。
　　 針對模糊C均值算法存在的問題，主要完成以下三方面的研發(fā)工作:
　　 1

2、)提出了毗鄰群的概念，可以根據(jù)需要有效地降低數(shù)據(jù)的規(guī)模。
　　 2)引入了聚類有效性評價模型作為評判聚類劃分的綜合指標，同時用遺傳算法優(yōu)化聚類中心，通過迭代可以確定模糊C均值算法所需的初始C值和最佳的初始聚類中心。
　　 3)將毗鄰群和粘合度概念及其算法用于修正模糊C均值算法的隸屬函數(shù)矩陣，加快了模糊C均值算法的收斂速度。
　　 本文基于提出的改進型模糊C均值算法，設計和實現(xiàn)了一個中文文本聚類系統(tǒng)，并選取搜狗實驗